HybridAgents：让LLM代理在隐空间思考并通过文本行动

HybridAgents的核心是解决一个矛盾：纯文本推理的LLM代理虽然能调用工具，但思考效率低；而隐空间推理虽高效，却无法原生访问工具，且过程不透明。研究团队通过两个关键设计来弥合这一鸿沟。

• HybridLink：一个轻量模块，让模型在文本和隐空间模式之间无缝切换，既保留工具调用能力，又让隐式思考变得可检查。
• 连续工作记忆：跨多轮对话保存无损的混合上下文，避免信息在模式切换中丢失。

在训练方面，论文提出了两阶段算法：先用HybridSFT稳定工具集成的混合生成，教会主干模型与HybridLink协同；再用HybridRL扩展推理能力，让模型自主学习何时该在隐空间思考、何时该通过文本行动。

评估覆盖了数学、科学、医学、搜索和代理推理等11个基准，模型规模从1.8B到70B不等。相比文本和隐空间方法的最新代理，HybridAgents在性能提升的同时，还带来了显著的效率优势：token消耗减少35.5%-54.7%，推理速度提升1.8-2.6倍，成本降低2.7-3.7倍。代码、数据和模型权重已开源在GitHub和Hugging Face上。